LiDAR-Inertial Odometry Based on Extended Kalman Filter

📄 arXiv: 2407.02786v2 📥 PDF

作者: Naoki Akai, Takumi Nakao

分类: cs.RO

发布日期: 2024-07-03 (更新: 2024-07-22)

💡 一句话要点

提出基于扩展卡尔曼滤波的激光雷达惯性里程计KLIO，实现精确的轨迹跟踪和建图。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 激光雷达惯性里程计 扩展卡尔曼滤波 IMU预积分 扫描匹配 机器人定位

📋 核心要点

  1. 现有LIO方法多基于优化，计算复杂度高，而松耦合方法精度有待提升。
  2. KLIO利用扩展卡尔曼滤波，融合IMU预积分和激光雷达扫描匹配结果，递推估计位姿。
  3. 实验表明，KLIO在精度上可与先进的紧耦合和松耦合方法媲美，实现了精确的轨迹跟踪和建图。

📝 摘要（中文）

激光雷达惯性里程计（LIO）通常采用基于优化的方法实现，因子图因其能够无缝集成来自激光雷达和IMU测量的残差而被广泛使用。然而，最近的一项研究表明，精确的LIO也可以通过松耦合方法实现。受此启发，我们提出了一种利用递归贝叶斯滤波的LIO方法，通过扩展卡尔曼滤波（EKF）求解，本文称之为KLIO。在KLIO中，先验和似然分布分别使用IMU预积分以及激光雷达和局部地图点云之间的扫描匹配计算，并通过EKF过程更新位姿、速度和IMU偏差。通过Newer College数据集的实验，我们证明了KLIO实现了精确的轨迹跟踪和建图，其精度与最先进的紧耦合和松耦合方法相当。

🔬 方法详解

问题定义：论文旨在解决激光雷达惯性里程计（LIO）问题，即利用激光雷达和IMU数据估计机器人的位姿。现有基于优化的LIO方法计算复杂度较高，而松耦合方法在精度上存在不足。因此，需要一种兼顾精度和效率的LIO方法。

核心思路：论文的核心思路是利用扩展卡尔曼滤波（EKF）框架，融合IMU预积分和激光雷达扫描匹配的结果，递推地估计机器人的位姿、速度和IMU偏差。EKF提供了一种高效的概率框架，能够融合来自不同传感器的信息，并实时更新状态估计。

技术框架：KLIO的整体框架包括以下几个主要模块：1) IMU预积分：利用IMU数据进行预积分，得到位姿和速度的先验估计。2) 激光雷达扫描匹配：将当前激光雷达扫描与局部地图点云进行匹配，得到位姿的观测值。3) EKF更新：利用IMU预积分得到的先验和激光雷达扫描匹配得到的观测值，通过EKF更新位姿、速度和IMU偏差。

关键创新：KLIO的关键创新在于将EKF应用于LIO问题，并有效地融合了IMU预积分和激光雷达扫描匹配的结果。与基于优化的方法相比，EKF具有更高的计算效率。与传统的松耦合方法相比，KLIO通过EKF框架实现了更紧密的融合，提高了精度。

关键设计：KLIO的关键设计包括：1) 使用IMU预积分来获得位姿和速度的先验估计，减少了计算量。2) 使用局部地图点云进行激光雷达扫描匹配，提高了匹配的精度和鲁棒性。3) 通过仔细调整EKF的噪声参数，平衡了IMU和激光雷达的贡献，实现了最佳的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过在Newer College数据集上进行实验，KLIO实现了精确的轨迹跟踪和建图，其精度与最先进的紧耦合和松耦合方法相当。这表明KLIO在精度和效率之间取得了良好的平衡，为LIO问题提供了一种有竞争力的解决方案。

🎯 应用场景

该研究成果可应用于机器人导航、自动驾驶、无人机等领域。KLIO提供了一种高效且精确的定位方案，有助于提高机器人在复杂环境中的自主导航能力。此外，该方法还可以应用于三维地图重建、环境感知等任务，具有广泛的应用前景。

📄 摘要（原文）

LiDAR-Inertial Odometry (LIO) is typically implemented using an optimization-based approach, with the factor graph often being employed due to its capability to seamlessly integrate residuals from both LiDAR and IMU measurements. Conversely, a recent study has demonstrated that accurate LIO can also be achieved using a loosely-coupled method. Inspired by this advancements, we present a LIO method that leverages the recursive Bayes filter, solved via the Extended Kalman Filter (EKF) - herein referred to as KLIO. Within KLIO, prior and likelihood distributions are computed using IMU preintegration and scan matching between LiDAR and local map point clouds, and the pose, velocity, and IMU biases are updated through the EKF process. Through experiments with the Newer College dataset, we demonstrate that KLIO achieves precise trajectory tracking and mapping. Its accuracy is comparable to that of the state-of-the-art methods in both tightly- and loosely-coupled methods.